Node.js で jsdom を利用して HTML からテキストを抽出する方法のメモ。
dom = new JSDOM(...) で DOM を生成すると、dom.window.document で HTML の DOM ツリーを参照できます。
nodeType が TEXT_NODE の場合に、nodeValue に格納されているテキストを抽出します。
■プログラム
■実行結果
dom = new JSDOM(...) で DOM を生成すると、dom.window.document で HTML の DOM ツリーを参照できます。
nodeType が TEXT_NODE の場合に、nodeValue に格納されているテキストを抽出します。
■プログラム
const jsdom = require('jsdom');
// 以下が対象の HTML
const html = `
<html>
<head>
<title>test</title>
<meta keyword="kw1, kw2, kw3">
</head>
<body>
abc
<div>div1-1</div>
<div>div2-1<div>div2_2-1</div>div2-2</div>
<div>div3-1</div>
xyz
</body>
</html>
`;
// DOM 生成
const dom = new jsdom.JSDOM(html);
// 再帰的に DOM ツリーをたどってテキストを抽出
function get_texts(node, texts=[]) {
if (node.nodeType === node.TEXT_NODE) {
texts.push(node.nodeValue);
}
else if (node.nodeType === node.ELEMENT_NODE) {
for (const child of node.childNodes) {
get_texts(child, texts);
}
}
return texts;
}
const doc = dom.window.document;
const texts = get_texts(doc.body);
console.log(texts);
■実行結果
[ '\nabc\n', 'div1-1', '\n', 'div2-1', 'div2_2-1', 'div2-2', '\n', 'div3-1', '\nxyz\n\n\n' ]
